CN119397404B 基于深度学习网络的电力设备故障检测方法及系统 （国网江西省电力有限公司经济技术研究院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119397404B(45)授权公告日2025.07.08

(21)申请号202411975142.X(74)专利代理机构南昌贤达专利代理事务所

(22)申请日2024.12.31(普通合伙)36136专利代理师王婷

GO6F18/2415(2023.01)(65)A

GO6F18/2415(2023.01)

(43)申请公布日2025.02.07GO6N3/0464(2023.01)

(73)专利权人国网江西省电力有限公司经济技GO6F18/213(2023.01)

术研究院

地址330000江西省南昌市南昌高新技术

产业开发区青山湖大道999号1#楼第20层

专利权人江西腾达电力设计院有限公司

(72)发明人田冬冬姚明侠胡国辉郭泉辉章小枫徐鹏薄明明舒娇

(56)对比文件

CN114707754A,2022.07.05审查员凡保磊

权利要求书4页说明书9页附图1页

(54)发明名称

基于深度学习网络的电力设备故障检测方法及系统

(57)摘要

CN119397404B本发明提供了一种基于深度学习网络的电力设备故障检测方法及系统，该方法包括：获取电力设备在观测时段内的状态参数数据，并根据状态参数数据形成第一多维时间序列，将第一多维时间序列输入至深度学习模型，得到与每个时间节点分别对应的故障概率预测值；根据所有时间节点的故障概率预测值获取故障系数，并根据故障系数判断电力设备是否存在故障；若电力设备存在故障，则将与每一时间节点分别对应的故障概率预测值输入到故障分类模型中，得到与观测时段对应的故障类别集合，并根据故障类别集合获取当前时间节点的故障类别。本发明能够避免通过单一维度的数据进行故障判断造成因数

CN119397404B

构建由记忆模块、卷积神经网络组成的深度学习模型，并基于卷积

构建由记忆模块、卷积神经网络组成的深度学习模型，并基于卷积神经网络构建故障分类模型

选取观测时段，以获取电力设备在所述观测时段内的状态参数数据，并根据所述状态参数数据形成第一多维时间序列，所述第一多维时间序列包含当前时间节点以及过去至少一个时间节点的状态参数数

据，将所述第一多维时间序列输入至所述深度学习模型，得到与每个时间节点分别对应的故障概率预测值

根据所有时间节点的故障概率预测值获取故障系数，并根据所述故障系数判断所述电力设备是否存在故障

若所述电力设备存在故障，则将与每一时间节点分别对应的故障概率预测值输入到所述故障分类模型中，得到与所述观测时段对应的

故障类别集合，并根据所述故障类别集合获取当前时间节点的故障类别

S101

S102

S103

S104

CN119397404B权利要求书1/4页

2

1.一种基于深度学习网络的电力设备故障检测方法，其特征在于，所述方法包括：

构建由记忆模块、卷积神经网络组成的深度学习模型，并基于卷积神经网络构建故障分类模型；

将时间点t的隐藏状态代入卷积神经网络中，所述卷积神经网络设置为两层；

在第一层卷积神经网络中，采用以下公式对时间点t的隐藏状态进行卷积后进行非线性变化，得到输出值：

Z1=W1*h+b1;

A=ReLu(Z1);

式中，W1、b1为第一层卷积神经网络的可学习参数，Z1为第一卷积值，A为输出值，ReLu为激活函数；

在第二层卷积神经网络中，采用以下公式对输出值进行卷积操作并基于softmax函数将卷积值转化为故障概率预测值：

Z2=W2*A+b2;

p=softmax(Z2);

式中，W2、b2为第二层卷积神经网络的可学习参数，Z2为第二卷积值，p为故障概率预测值；

在记忆模块、卷积神经网络训练过程中，将目标函数定义为：

式中，N1为样本总数，Yt为电力设备的实际状态，父t为经过深度学习模型得出的故障概率预测值，yt∈N2表示时间点t的电力设备的实际状态正常，yt∈F表示时间点t的电力设备的实际状